導讀

無論在消費領域還是工業工業領域，數據的大數重要性日益凸顯。在工業場景中，據工由于現場通信協議較多且不兼容、業數應用現場環境惡劣復雜等，字化轉型中導致數據獲取難度較大，探索建立數據采集平臺是工業獲取數據的重要保障。工業大數據關聯的大數環節較長、業務復雜，據工用好相應的業數應用數據，可以為企業數字化轉型賦予更多的字化轉型中能力。

01

引言

截至目前，探索我國數據交易所已達到 39 家，工業北上廣深相應數據中心的大數入場會加速數據交易量，數據的據工重要性受到越來越多的關注，“數據引擎”所起的作用日益凸顯。在工業領域，大數據的價值也愈發被重視。不同于電商或消費端的大數據，工業數據一是獲取難度大，二是數據關聯度長且復雜，建模難度大，價值挖掘也較難。

02

數據獲取

獲取數據是進行數據應用的基石。在工業場景中，各廠家主推自己的產品進行競爭，現場通信協議眾多且互不兼容，導致穩定的數據采集難度較大，尤其某些進口 / 壟斷設備數據接口不開放，獲取數據需要額外投資，且風險較大。現場常見的工業通信協議有 PROFINET、PROFIBUS-DP、MODBUS-TCP、MODBUS-RTU、CC-LINK、RS-232/422/485 和 TCP/IP 等，因此建立一個兼容、高效和穩定的數據采集平臺，既是重點又是難點。數據采集平臺是打通物理世界（設備）與虛擬 / 數字世界的“海關”通道，高效、穩定的工業網絡是數據采集平臺順暢運行的重要保障。

2.1 DAQ（數據采集）方式

目前現場常用的有兩種主流采集與展示方式：

1）通過 SCADA 軟件進行采集與展示。該方式的優點是自帶部分驅動支持進行數據采集，可直接組態畫面進行數據展示與應用，支持一定的后臺開發自定義功能。缺點是 B/S 或 C/S 架構遠程訪問數、所帶客戶端限制較大，自帶的數據庫功能不全，腳本語言為 VB/VBS/C，且后臺腳本不宜支持過多，為 Windows 部署方式，擴展、靈活部署能力較差；某些汽車主機廠為了保證 SCADA 運行的穩定性，嚴禁后臺添加運行腳本。

2）部署 OPC、RDTB 等 DAQ 平 臺， 目 前 主 流 為OPC UA 商業軟件，自研開發展示界面等。該方式的優點是具備很好的跨平臺支持能力，支持 RESTful、MQTT等接口，可結合 RabbitMQ/RocketMQ 等消息隊列，實現以 Spring 框架為主流的 IT 與自動化層的高并發處理，功能強大、安全性高，如可將現場控制器數據直接寫入關系型數據庫，有專門的安全策略，防止入侵，支持的通信驅動種類多，有成熟穩定的商業軟件。缺點是每一個驅動和功能模塊均需單獨收費，數據采集范圍、功能多寡與價格成正比，配置有一定的門檻，需要掌握 IT 中間件等基礎。

2.2 OPC UA

OPC 是工業通信的基礎組成部分，加入 OPC 基金會的工業品牌的產品都會支持 OPC 協議。OPC 有 DA 與UA 之分，UA 已成為主流，主要是 UA 比 DA 具備更好的跨平臺能力、更多的功能、更好的安全性等優點。

以 Kepware OPC UA 為例說明建立數據采集的平臺的關鍵步驟：

1）在安裝時先選擇對應采集對象（如 Siemens S7-1500 系列 PLC）的驅動，對于型號較老的 DCS，也可以通過開通部署 OPC 進行數據采集。

2）按照 Channel、Device 及 Tag 的順序建立變量點位，為保證數據交互保持在 ms 內，建議每臺 device下的變量不超過 100 個。當同一臺 device 下 的 tag 較多 時， 可 以 在 同 一 個 channel 下建立多個 device， 如device_1 ～ device_N。

3）與 IT 系統進行數據交互可在 IoTGateway 中進行相應的配置。

筆者通過同一個 OPC UA 在 100ms 內采集 120 000點數據，與 IT 系統（主要為緊耦合MES/MOM）在 ms內穩定交互超 2 000 點數據。

2.3 實時數據應用

實時數據主要是用來監視現場狀態、遠程控制現場設備等。SCADA 在此應用中起步較早，也較為成熟，但由于上述缺點，在工業現場中的應用熱度漸退。該部分常見的應用有現場設備 / 工藝參數等的遠程設置與監視、設備狀態監視（尤其是關鍵設備、危險源點需要安排專人值守）和生產現場執行情況等，數據展現形式有 LED、LCD 和微信推送等。展示內容根據現場的實際需求而定，一般而言，現場放置的 LED、LCD 要能向現場人員傳遞清晰、直觀的生產信息，信息不宜過多。對于 PC 端，操作界面的菜單不宜超過三級。

03

工業大數據

大數據需要豐富的數據積累，工業大數據需要打通的環節很多，如“人機料法環”“人財物產銷”、研發和質量等。工業大數據關聯的環節長、業務場景較復雜，打通完善數據流，數據的價值才能逐步通過應用體現。

工業積累的各種關系型數據、非關系型數據眾多，應用大數據的第一步是對數據進行清洗、梳理，找出有代表性、有效的數據，此部分難度與工作量較大。如 2014年波士頓發生恐怖襲擊后，警方抽調大量人力從廣場附近調取逾 10TB 視頻數據才找到一張嫌疑犯正面照片。以下詳細敘述工業大數據比較典型的應用。

3.1 質量分析

穩定的質量關系企業的成本、效益、產能、名譽和供應鏈等方面，是企業的安全線與生命線。結合歷史質量記錄，可對生產現場的質量問題進行預測，由質量人員提前介入對前一道工藝或供應鏈進行預防。如在汽車主機廠中，FTT（整車一次下線合格率）直接決定了生產節拍、生產成本，在某國產汽車主機廠中，分析同一車型過去 3 ～ 5 年的歷史數據，對 FTT 趨勢圖、質量問題排行等進行預測，通過現場看板對質量問題有清晰直觀的展示，對排名前 3 的問題可實施目的性強的改進措施，將 FTT 由 92.8% 穩步提升至 95.6% 以上。

3.2 精益生產

精益生產的思想隨著市場需求由“不制造缺陷，不傳遞缺陷”變為“以盡可能短的時間縮短產品交付周期”。精益生產在生產過程中通過技術落地的形式是 ANDON系統，ANDON 典型的應用是在汽車主機廠總裝車間。現場人員發現問題無法解決時，通過按鈕、拉環等觸發幫助請求，系統通知相應人員到達指定位置進行處理，在規定的時間內未處理完成，該次請求將自動逐級上報，直至到達總經理。通過分析 ANDON 數據，對停線原因進行分析（如質量原因停線、設備原因停線和缺料停線等），對生產進行改進，減少非必要停線時間，達到降低成本、提升產能的目的。如在某大型國產汽車主機廠，通過 ANDON 系統實時解決質量、缺料等問題，分析歷年 ANDON 數據對設備維護周期、物料配送周期等給出建議任務并跟蹤執行情況，減少非故障停線率 80% 以上，順利保障了生產連續進行。

3.3 汽車面漆預測

對歷年生產、銷售數據進行詳盡統計、分析，對不同面漆顏色車輛的產銷、庫存情況有清晰直觀的掌握。可根據此數據決定下一生產周期內面漆的采購量、采購周期、庫存量、庫存周期、調漆間任務計劃、噴漆裝置易損件采購量與采購周期等。在以產定銷時，可對暢銷產品的排產有一定的指導作用。如某汽車集團生產計劃部門根據近 5 年產銷數據制定面漆需求計劃，采購部門結合庫存情況制定訂單，可有效減少面漆庫存 34% 以上，也避免了部分特殊顏色面漆因長期庫存導致報廢的情況。

3.4 生產預測

根據歷史銷售、市場反饋（含有獎調查）等數據，對產品做一定的預測，可提前安排生產計劃、采購計劃、設備檢維修計劃、人員安排計劃和物流計劃等。根據數據可建立生產預測模型，在以銷定產時，能夠快速響應銷售訂單，降低產品交付周期；在以產定銷時，能夠生產出符合市場需求的產品，降低庫存周期。有效數據量越大、數據涵蓋的維度越全，生產預測模型就會越準確，生產各環節適應變化的能力就越強，可大幅降低生產成本。如某汽車集團的數據、生產、售后、產品研發和測試等部門根據 5 ～ 10 年的銷售、售后數據，制定半年的生產計劃，通過后續的產銷數據驗證了該生產計劃可有效降低整車庫存周期至 2 個月以內，提升各生產環節效率超過 11%。

3.5 配件采購

對產品生產過程全生命周期進行管控，對不合格需返工成品所消耗的零部件 / 原材料進行精確的統計，根據生產量可對生產設備需要更換的易損件進行統計，在低于安全庫存時可對需要采購的零部件 / 原材料、易損件等進行預測并自動生成采購 BOM 和采購計劃至采購系統，由采購人員確認后可向相應的供應商下達采購訂單。可用“數據”對采購計劃提供科學可靠的指導，可降低供應鏈風險、避免高庫存占用資金，進而降低企業運營成本。如零部件采購部門通過對數據的掌握，嘗試運用采購預測可提升采購效率超過 46%、降低零部件庫存超 51%，有效地提升采購效率、降低高庫存導致的資金占用。

3.6 企業轉型

工業企業會有自己的主打產品，通過積累產品在應用時的數據，能指導與幫助企業轉型。典型案例是 GE 由發動機供應商轉型為服務商，GE 在航空發動機、輪船發動機等內燃機市場占據了很大的份額，GE 利用傳感器、衛星通信等技術采集與傳輸發動機數據，已逐步由發動機設備供應商轉型為發動機服務供應商，即由賣產品轉型為賣服務。

在民用航空飛機上，發動機、燃油系統、液壓系統和電力系統等數以百計的變量組成了飛機在航狀態，這些數據幾 μs 就被測量和發送一次。以波音 737 為例，發動機在飛行中每 3min 就能產生 1TB 數據。位于美國亞特蘭大的 GE 能源監測和診斷（M&D）中心，收集全球 50多個國家上千臺 GE 發動機的數據，分析來自系統內的恒定大數據流，為 GE 公司對發動機故障診斷和預警提供支撐。GE 對發動機轉為以租代售，客戶可以不用一次性付巨款購買發動機，GE 也能依據數據對產品提供更好的維護與改進。

3.7 加速產品創新

跟蹤產品在測試、驗證階段的問題，作為研發改進的方向。跟進并掌握產品在實際使用中的數據，尤其是故障、異常信息，找到根源，并結合市場需求變化，通過數據分析產品缺陷或改進點、市場趨勢分析與精準預測，對后續產品改進、新產品創新提供重要的方向。甚至競爭對手如果掌握了競品在應用中的數據，就可以進行有目的性的競品開發。如某電機廠在電機出廠時預裝傳感器，免費向用戶提供設備狀態檢測、遠程故障診斷和預防性維護等增值服務，通過不間斷收集產品在不同場景實際使用中的客觀數據，能夠對產品優化迭代提供精確的方向指導。

3.8 促進 AI發展

AI 的發展也是“三起三落”，隨著大規模集成電路的發展、AI 算法的深入研究，AI 應用也逐漸爆發。要想 AI 在應用過程中達到理想的效果，需要大量的數據供其進行模型訓練。在工業應用中，提供給 AI 訓練的數據可以是圖片、視頻等。提供給 AI 進行模型訓練數據時容易有一個誤區，即人為模擬制造數據，此時得到的模型在實際應用時檢測精度會不理想，因此，若要模型的檢測精度較高，提供給 AI 訓練的數據須源自實際。如在工業質檢領域，需要提供大量的樣本進行模型訓練，以提升模型在應用時的檢測精度。在化纖外檢實際項目中，對某一固定缺陷進行應用時可知，當實際生產中產生缺陷樣本在 1 000 左右時，檢測精度為 86.7%，訓練樣本在2 000 左右時，檢測精度為 93.2%，訓練樣本在 4 000 時，檢測精度為 99.2%，AI 檢測模型會越用越好，主要原因就是數據量的增加會提升模型的檢測精度。得益于開源的圖像集、深度學習框架等，部分行業 AI 檢測等的通用模型可供企業使用。

3.9 促進經驗傳承

工業中最難的是將隱性經驗轉變為顯性知識，很多“老師傅 / 老專家”經驗豐富，但很難將經驗轉換為現場技術人員可以聽懂、掌握的技能，如化工行業中某處中間產品指標有波動時，“老師傅 / 老專家”可以根據不同的波動值范圍判定出是哪個工藝參數、哪個反應釜中哪個設備或哪處催化劑等有問題并迅速進行正確調整。可以借助 AI 關聯更多環節，將行業現場的隱性、難表達的經驗轉換為顯性易懂的知識。如在化纖 EAM 系統的設備維修模塊中詳細記錄每次的故障現象、維修過程和故障原因分析等完整數據，不斷完善該知識經驗庫，通過 AI建立故障維修模型，當監測到下次有類似故障發生時，可立即向相關維修人員提供維修建議，大幅減少故障維修處理時間。化纖長絲 AI 質檢成套設備如圖所示。

3.10 促進工業軟件的發展

工業軟件需要對軟件在應用時的需求、操作和應用等各種數據等進行大量總結、提煉，對后臺需要的功能組件進行針對性地改進設計，操作人員在使用時才會得心應手。工業軟件在我國有著巨大的應用場景和應用需求，但工業軟件也是我國軟件行業的薄弱環節，相信工業大數據會對我國工業軟件的發展與突破起到很大的促進作用。通過積累建筑電氣設計方面的數據，不斷完善基礎插件、功能庫，實現了通過國產 CAD 軟件電氣設計；國產 ERP 軟件也是通過某一行業的數據不斷進行完善，進而由點擴面地推廣應用，實現數據—產品的良性迭代。大量的應用場景產生的大量有價值的數據一定會促進國產工業軟件的發展與突破。

04

結束語

隨著企業數字化的進程，數據的作用與價值顯得愈加重要，如果說數字化是企業的“增長引擎”，數據就是該“引擎”的“潤滑劑與燃料”。數據貫穿研發、制造、物流、銷售和財務等“人機料法環”“人財物產銷”的環節，工業大數據的應用會越來越廣泛，其價值也會得到廣泛驗證。工業大數據是“工廠數字經濟”“數字化工廠”的核心內容之一，其應用價值值得深入探索，數據 +AI會成為企業數字化轉型與增長的重要動力與手段。